通过建模机器学习来校准类别权重
机器学习
2022-08-02 v2 理论经济学
摘要
一个被广泛研究的问题是机器学习算法提供的置信度分数在多大程度上被校准到真实概率。我们的出发点是，校准看似与类别加权不兼容，而类别加权是在某一类较少见（类别不平衡）或希望实现某些外部目标（代价敏感学习）时常用的技术。我们为这种不兼容性提供了基于模型的解释，并使用我们的拟人说模型生成一种简单方法，从因类别加权而失校准的算法中恢复似然。我们在 Rajpurkar、Irvin、Zhu 等人（2017）的二元肺炎检测任务中验证了该方法。
引用
@article{arxiv.2205.04613,
title = {Calibrating for Class Weights by Modeling Machine Learning},
author = {Andrew Caplin and Daniel Martin and Philip Marx},
journal= {arXiv preprint arXiv:2205.04613},
year = {2022}
}
备注
14 pages, 4 figures